Synthetic Data Generation for Anomaly Detection on Table Grapes

要約

果物栽培における病気や害虫の侵入を早期に検出することは、収量の品質と植物の健康を維持するために重要です。
このような問題の自動検出には、特にデータ駆動型のソリューションを使用して、コンピューター ビジョンとロボティクスがますます採用されています。
ただし、これらの問題は稀であるため、そのようなアルゴリズムをトレーニングするために必要なデータを取得して処理することが大きな障害となります。
この不足に対する 1 つの解決策は、合成された高品質の異常サンプルを生成することです。
このタスクには多数の方法が存在しますが、ほとんどの場合、セットアップには高度な訓練を受けた担当者が必要です。
この研究は、ユーザーから正常サンプルと異常サンプルを最初に収集するだけで自動的に合成異常を生成するという課題に取り組んでいます。これは農家にとって簡単な作業です。
食用ブドウ栽培の文脈でアプローチを実証します。
具体的には、通常のベリーは比較的滑らかな表面を示すのに対し、欠陥があるとより複雑なテクスチャが生じるという観察に基づいて、デュアルキャニー エッジ検出 (DCED) フィルターを導入します。
このフィルターは、病気、害虫の侵入、またはその他の欠陥を示す追加のテクスチャを強調します。
次に、Segment Anything Model によって提供されるセグメンテーション マスクを使用して、異常なベリーを選択し、正常なベリーにシームレスにブレンドします。
提案されたデータセット拡張技術により、生食用ブドウの異常分類器の精度が向上し、このアプローチが他の種類の果物にも一般化できることを示します。

要約(オリジナル)

Early detection of illnesses and pest infestations in fruit cultivation is critical for maintaining yield quality and plant health. Computer vision and robotics are increasingly employed for the automatic detection of such issues, particularly using data-driven solutions. However, the rarity of these problems makes acquiring and processing the necessary data to train such algorithms a significant obstacle. One solution to this scarcity is the generation of synthetic high-quality anomalous samples. While numerous methods exist for this task, most require highly trained individuals for setup. This work addresses the challenge of generating synthetic anomalies in an automatic fashion that requires only an initial collection of normal and anomalous samples from the user – a task that is straightforward for farmers. We demonstrate the approach in the context of table grape cultivation. Specifically, based on the observation that normal berries present relatively smooth surfaces, while defects result in more complex textures, we introduce a Dual-Canny Edge Detection (DCED) filter. This filter emphasizes the additional texture indicative of diseases, pest infestations, or other defects. Using segmentation masks provided by the Segment Anything Model, we then select and seamlessly blend anomalous berries onto normal ones. We show that the proposed dataset augmentation technique improves the accuracy of an anomaly classifier for table grapes and that the approach can be generalized to other fruit types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google